> इस रिपॉजिटरी में 50+ भाषा अनुवाद शामिल हैं जो डाउनलोड आकार को काफी बढ़ाते हैं। बिना अनुवाद के क्लोन करने के लिए, sparse checkout का उपयोग करें:
> इस रिपोजिटरी में 50+ भाषा अनुवाद शामिल हैं जो डाउनलोड आकार को काफी बढ़ाते हैं। यदि अनुवादों के बिना क्लोन करना है, तो sparse checkout का उपयोग करें:
>
> **Bash / macOS / Linux:**
> ```bash
@ -20,60 +33,62 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> यह आपको उस सब कुछ देता है जिसकी आपको तेज़ डाउनलोड के साथ कोर्स पूरा करने के लिए ज़रूरत है।
> यह आपको कोर्स पूरा करने के लिए आवश्यक सब कुछ देता है, जिससे डाउनलोड बहुत तेजी से होता है।
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
#### हमारे समुदाय में शामिल हों
हमारे पास डिसॉर्ड में AI के साथ सीखने की श्रृंखला चल रही है, अधिक जानने और इसमें शामिल होने के लिए [Learn with AI Series](https://aka.ms/learnwithai/discord) पर जाएं, जो 18 - 30 सितंबर, 2025 को है। आपको GitHub Copilot का डेटा साइंस के लिए उपयोग करने के टिप्स और ट्रिक्स मिलेंगे।
हमारे पास Discord पर AI के साथ सीखने की एक शृंखला चल रही है, इसके बारे में अधिक जानें और 18 - 30 सितंबर, 2025 को [Learn with AI Series](https://aka.ms/learnwithai/discord) में जुड़ें। आपको GitHub Copilot का Data Science में उपयोग करने के टिप्स और ट्रिक्स मिलेंगे।
# शुरुआती के लिए मशीन लर्निंग - एक पाठ्यक्रम
# शुरुआती लोगों के लिए मशीन लर्निंग - एक पाठ्यक्रम
> 🌍 जब हम दुनिया की संस्कृतियों के माध्यम से मशीन लर्निंग का पता लगाते हैं तो दुनिया की यात्रा करें 🌍
> 🌍 दुनिया भर में यात्रा करें क्योंकि हम मशीन लर्निंग को विश्व की संस्कृतियों के माध्यम से सीखते हैं 🌍
Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्षण पाठ्यक्रम प्रदान करते हैं जो पूरी तरह से **मशीन लर्निंग** के बारे में है। इस पाठ्यक्रम में, आप सीखेंगे कि कभी-कभी जिसे**क्लासिक मशीन लर्निंग** कहा जाता है, मुख्य रूप से Scikit-learn पुस्तकालय का उपयोग करके और गहरे लर्निंग से बचते हुए, जिसे हमारे [AI for Beginners' पाठ्यक्रम](https://aka.ms/ai4beginners) में कवर किया गया है। साथ ही, इन पाठों को हमारे ['Data Science for Beginners' पाठ्यक्रम](https://aka.ms/ds4beginners) के साथ जोड़ें।
Microsoft के क्लाउड समर्थक 12 सप्ताह, 26-लेसन का पाठ्यक्रम प्रस्तुत करते हैं, जो पूरी तरह से **मशीन लर्निंग** के बारे में है। इस पाठ्यक्रम में, आप उस तकनीक के बारे में सीखेंगे जिसे कभी-कभी**क्लासिक मशीन लर्निंग** कहा जाता है, जिसमें मुख्य रूप से Scikit-learn पुस्तकालय का उपयोग होता है और गहरे शिक्षण (डेप लर्निंग) से बचा जाता है, जो हमारे [AI for Beginners' curriculum](https://aka.ms/ai4beginners) में शामिल है। इन पाठों को हमारे ['डेटा साइंस फॉर बिगिनर्स' पाठ्यक्रम](https://aka.ms/ds4beginners) के साथ जोड़ा जा सकता है।
दुनिया भर के डाटा पर इन क्लासिक तकनीकों को लागू करते हुए हमारे साथ यात्रा करें। प्रत्येक पाठ में पूर्व और पश्चात परीक्षण शामिल हैं, पूरा करने के लिए लिखित निर्देश, समाधान, असाइनमेंट और अधिक। हमारी परियोजना-आधारित शिक्षण विधि आपको निर्माण करते हुए सीखने की अनुमति देती है, जो नई कौशल सीखने का सिद्ध तरीका है।
हमारे साथ दुनिया भर की यात्रा पर चलें जब हम क्लासिक तकनीकों को दुनिया के विभिन्न क्षेत्रों के डेटा पर लागू करते हैं। प्रत्येक पाठ में पूर्व और पश्चात क्विज़, पाठ पूरा करने के लिए लिखित निर्देश, समाधान, असाइनमेंट और बहुत कुछ शामिल है। हमारा परियोजना-आधारित शिक्षण मॉडल आपको निर्माण के दौरान सीखने का अवसर प्रदान करता है, जो नई क्षमताओं को लंबे समय तक याद रखने का एक प्रमाणित तरीका है।
**✍️ हमारे लेखकों का हार्दिक धन्यवाद** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu और Amy Boyd
**🎨 हमारे चित्रकारों को भी धन्यवाद** Tomomi Imura, Dasani Madipalli, और Jen Looper
**🎨 हमारे चित्रकारों का भी धन्यवाद** टोमॉमी इमुरा, दासनी मुदिपल्ली, और जेन लूपर
**🙏 विशेष धन्यवाद 🙏 हमारे Microsoft Student Ambassador लेखकों, समीक्षकों, और सामग्री योगदानकर्ताओं को**, विशेष रूप से Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, और Snigdha Agarwal
**🙏 हमारे Microsoft Student Ambassador लेखकों, समीक्षकों और सामग्री योगदानकर्ताओं को विशेष धन्यवाद**, विशेषकर ऋषित दागली, मुहम्मद साकिब खान इनान, रोहन राज, एलेक्जेंडर पेट्रेस्कु, अभिषेक जायसवाल, नवरीन तबस्सुम, इवान समुइला, और स्नीघा अग्रवाल
**🤩 हमारे R पाठों के लिए Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, और Vidushi Gupta को अतिरिक्त आभार!**
**🤩 Microsoft Student Ambassadors एरिक वंजाउ, जसलीन सोंधी, और विदुषी गुप्ता को हमारे R पाठों के लिए अतिरिक्त धन्यवाद!**
# आरंभ करना
# शुरुआत करना
इन चरणों का पालन करें:
1. **रिपॉजिटरी को फोर्क करें**: इस पृष्ठ के ऊपर-दाएं कोने में "Fork" बटन पर क्लिक करें।
> [इस कोर्स के लिए सभी अतिरिक्त संसाधन हमारे Microsoft Learn संग्रह में खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
1. **रिपोजिटरी को फोर्क करें**: इस पृष्ठ के दाहिने ऊपर "Fork" बटन पर क्लिक करें।
> 🔧 **मदद चाहिए?** सामान्य इंस्टॉलेशन, सेटअप, और पाठ चलाने में समस्याओं के समाधान के लिए हमारे [Troubleshooting Guide](TROUBLESHOOTING.md) की जांच करें।
> [इस कोर्स के लिए सभी अतिरिक्त संसाधन हमारे Microsoft Learn संग्रह में देखें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **मदद चाहिए?** आम समस्याओं के समाधान के लिए हमारे [Troubleshooting Guide](TROUBLESHOOTING.md) को देखें।
**[छात्रों](https://aka.ms/student-page)**, इस पाठ्यक्रम का उपयोग करने के लिए, पूरी रिपॉजिटरी को अपनी GitHub अकाउंट पर फोर्क करें और स्वयं या समूह के साथ अभ्यास पूर्ण करें:
**[छात्र](https://aka.ms/student-page)**, इस पाठ्यक्रम का उपयोग करने के लिए, पूरी रिपोजिटरी को अपने GitHub खाते पर फोर्क करें और अभ्यास स्वयं या समूह में पूरा करें:
- पूर्व व्याख्यान क्विज़ से शुरू करें।
- व्याख्यान पढ़ें और गतिविधियों को पूरा करें, प्रत्येक ज्ञान जांच पर रुककर चिंतन करें।
- समाधान कोड चलाने से अधिक, पाठों को समझकर परियोजनाएं बनाने का प्रयास करें; हालांकि यह कोड प्रत्येक परियोजना-केंद्रित पाठ के `/solution` फ़ोल्डरों में उपलब्ध है।
- पश्चात व्याख्यान क्विज़ लें।
- प्री-लेक्चर क्विज़ से शुरू करें।
- व्याख्यान पढ़ें और गतिविधियां पूरी करें, प्रत्येक ज्ञान जांच पर रुककर विचार करें।
- समाधान कोड चलाने के बजाय पाठ्यक्रम को समझकर परियोजनाएँ बनाने का प्रयास करें; हालांकि वह कोड प्रत्येक प्रोजेक्ट आधारित पाठ में `/solution` फ़ोल्डर में उपलब्ध है।
- पोस्ट-लेक्चर क्विज़ लें।
- चुनौती पूरी करें।
- असाइनमेंट पूरा करें।
- एक पाठ समूह पूरा करने के बाद, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) पर जाएं और उपयुक्त PAT रूपरेखा भरकर "उच्चारण से सीखें"। 'PAT' एक प्रगति मूल्यांकन उपकरण है जिसे आप सीखने को आगे बढ़ाने के लिए भरते हैं। आप अन्य PATs पर प्रतिक्रिया भी कर सकते हैं ताकि हम साथ सीख सकें।
- एक पाठ्य समूह पूरा करने के बाद, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) पर जाएँ और उपयुक्त PAT रूब्रिक भरकर "सरल भाषा में सीखें"। 'PAT' एक प्रोग्रेस असेसमेंट टूल है जिसे आप अपनी सीख बढ़ाने के लिए भरते हैं। आप अन्य PATs पर भी प्रतिक्रिया दे सकते हैं ताकि हम साथ सीख सकें।
> आगे अध्ययन के लिए, हम इन [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल और लर्निंग पाथ का अनुसरण करने की सलाह देते हैं।
> आगे के अध्ययन के लिए, हम अनुशंसा करते हैं कि आप इन [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल और लर्निंग पाथ का अनुसरण करें।
**शिक्षकों**, हमने इस पाठ्यक्रम का उपयोग कैसे करें इसके लिए [कुछ सुझाव शामिल किए हैं](for-teachers.md)।
**शिक्षकों के लिए**, हमने [कुछ सुझाव शामिल किए हैं](for-teachers.md) कि इस पाठ्यक्रम का उपयोग कैसे करें।
---
## वीडियो वॉकथ्रू
कुछ पाठ छोटे वीडियो रूप में उपलब्ध हैं। आप इन्हें पाठों के अंदर पा सकते हैं, या [Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) पर नीचे दी गई छवि पर क्लिक करके देख सकते हैं।
कुछ पाठ छोटे वीडियो के रूप में उपलब्ध हैं। आप इन्हें पाठों के बीच में या [Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) में नीचे की छवि पर क्लिक करके देख सकते हैं।
[](https://aka.ms/ml-beginners-videos)
@ -81,83 +96,83 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्ष
> 🎥 परियोजना और इसे बनाने वाले लोगों के बारे में वीडियो के लिए ऊपर की छवि पर क्लिक करें!
---
## शिक्षणशास्त्र
## शिक्षण पद्धति
इस पाठ्यक्रम का निर्माण करते समय हमने दो शिक्षण सिद्धांत चुने हैं: इसे प्रायोगिक **परियोजना-आधारित** बनाना और **बार-बार क्विज़** शामिल करना। इसके अलावा, इस पाठ्यक्रम में एक सामान्य **थीम** शामिल है जो इसे संलग्नता देता है।
हमने इस पाठ्यक्रम को बनाते समय दो शिक्षण सिद्धांत चुने हैं: यह सुनिश्चित करना कि यह हाथों-हाथ सीखने वाला **परियोजना-आधारित** हो और इसमें **बार-बार क्विज़** शामिल हो। इसके अलावा, इस पाठ्यक्रम में एक सामान्य **थीम** है जो इसे सामंजस्यपूर्ण बनाती है।
सामग्री को परियोजनाओं से संरेखित कर यह प्रक्रिया छात्रों के लिए अधिक व्यस्त और अवधारणाओं के प्रतिधारण को बढ़ावा देने वाली बन जाती है। इसके अतिरिक्त, कक्षा से पहले एक कम जोखिम वाली क्विज़ विद्यार्थी की किसी विषय को सीखने की मंशा निर्धारित करती है, जबकि कक्षा के बाद दूसरी क्विज़ आगे की अवधारण सुनिश्चित करती है। यह पाठ्यक्रम लचीला और मजेदार होने के लिए डिज़ाइन किया गया है और इसे पूरी तरह या आंशिक रूप से लिया जा सकता है। परियोजनाएं छोटी शुरू होती हैं और 12-सप्ताह के चक्र के अंत तक अधिक जटिल हो जाती हैं। इस पाठ्यक्रम में मशीन लर्निंग के वास्तविक विश्व उपयोगों पर एक पोस्टस्क्रिप्ट भी शामिल है, जिसे अतिरिक्त क्रेडिट के रूप में या चर्चा के आधार के रूप में उपयोग किया जा सकता है।
सामग्री को परियोजनाओं के अनुरूप बनाकर, प्रक्रिया को छात्रों के लिए अधिक रोचक बनाया जाता है और अवधारणाओं को बनाए रखना बढ़ता है। इसके अलावा, कक्षा से पहले एक आसान क्विज़ छात्र के विषय सीखने के इरादे को सेट करता है, जबकि कक्षा के बाद दूसरा क्विज़ लंबे समय तक याददाश्त सुनिश्चित करता है। यह पाठ्यक्रम लचीला और मजेदार होने के लिए डिज़ाइन किया गया है और इसे पूरे या भाग में लिया जा सकता है। परियोजनाएं छोटी शुरुआत करती हैं और 12-सप्ताह के चक्र के अंत तक धीरे-धीरे जटिल हो जाती हैं। इस पाठ्यक्रम में मशीन लर्निंग के वास्तविक दुनिया में अनुप्रयोगों पर एक पोस्टस्क्रिप्ट भी शामिल है, जिसका उपयोग अतिरिक्त क्रेडिट या चर्चा के लिए आधार के रूप में किया जा सकता है।
> हमारे [आचार संहिता](CODE_OF_CONDUCT.md), [योगदान](CONTRIBUTING.md), [अनुवाद](..) और [समस्या निवारण](TROUBLESHOOTING.md) दिशा-निर्देश खोजें। हम आपकी रचनात्मक प्रतिक्रिया का स्वागत करते हैं!
> हमारा [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), और [Troubleshooting](TROUBLESHOOTING.md) दिशानिर्देश देखें। आपके रचनात्मक सुझावों का स्वागत है!
> **भाषाओं के बारे में एक नोट**: ये पाठ मुख्य रूप से Python में लिखे गए हैं, लेकिन कई R में भी उपलब्ध हैं। R पाठ पूरा करने के लिए, `/solution` फ़ोल्डर में जाएं और R पाठ देखें। इनमें .rmd एक्सटेंशन शामिल है जो एक **R Markdown** फ़ाइल का प्रतिनिधित्व करता है, जिसे सरलता से परिभाषित किया जा सकता है जैसे कि `कोड खंडों` (R या अन्य भाषाओं के) और एक `YAML हेडर` (जो आउटपुट जैसे PDF के स्वरूपण को निर्देशित करता है) के साथ एक `Markdown दस्तावेज़` एमबेडिंग। इस प्रकार, यह डेटा साइंस के लिए एक आदर्श लेखन ढांचा है क्योंकि यह आपको अपने कोड, उसका आउटपुट, और अपने विचार को Markdown में लिखने की अनुमति देता है। इसके अलावा, R Markdown दस्तावेज़ों को PDF, HTML या Word जैसे आउटपुट स्वरूपों में रेंडर किया जा सकता है।
> **क्विज़ के बारे में एक नोट**: सभी क्विज़ [Quiz App folder](../../quiz-app) में शामिल हैं, प्रत्येक में तीन प्रश्नों के 52 कुल क्विज़ हैं। इन्हें पाठ्यक्रम के भीतर लिंक किया गया है लेकिन क्विज़ ऐप को स्थानीय रूप से चलाया जा सकता है; स्थानीय होस्ट करने या Azure पर डिप्लॉय करने के लिए `quiz-app` फ़ोल्डर में निर्देशों का पालन करें।
| Lesson Number | टॉपिक | पाठ्य समूह | सीखने के उद्देश्य | लिंक किया गया पाठ | लेखक |
| 01 | मशीन लर्निंग का परिचय | [परिचय](1-Introduction/README.md) | मशीन लर्निंग के मूलभूत सिद्धांत सीखें | [पाठ](1-Introduction/1-intro-to-ML/README.md) | मुहम्मद |
| 02 | मशीन लर्निंग का इतिहास | [परिचय](1-Introduction/README.md) | इस क्षेत्र के पीछे का इतिहास सीखें | [पाठ](1-Introduction/2-history-of-ML/README.md) | जेन और एमी |
| 03 | निष्पक्षता और मशीन लर्निंग | [परिचय](1-Introduction/README.md) | जब छात्र ML मॉडल बनाते और लागू करते हैं, तो निष्पक्षता के महत्वपूर्ण दार्शनिक मुद्दे क्या हैं? | [पाठ](1-Introduction/3-fairness/README.md) | टोमोमी |
| 04 | मशीन लर्निंग की तकनीकें | [परिचय](1-Introduction/README.md) | ML शोधकर्ता ML मॉडल बनाने के लिए किन तकनीकों का उपयोग करते हैं? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | क्रिस और जेन |
| 05 | प्रतिगमन का परिचय | [प्रतिगमन](2-Regression/README.md) | प्रतिगमन मॉडल के लिए पाइथन और Scikit-learn के साथ शुरुआत करें | [पाइथन](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | जेन • एरिक वंजीउ |
| 06 | उत्तर अमेरिकी कद्दू के दाम 🎃 | [प्रतिगमन](2-Regression/README.md) | ML की तैयारी में डेटा को स्वरूपित और साफ़ करें | [पाइथन](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | जेन • एरिक वंजीउ |
| 07 | उत्तर अमेरिकी कद्दू के दाम 🎃 | [प्रतिगमन](2-Regression/README.md) | रैखिक और बहुपद प्रतिगमन मॉडल बनाएं | [पाइथन](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | जेन और दिमित्रि • एरिक वंजीउ |
| 08 | उत्तर अमेरिकी कद्दू के दाम 🎃 | [प्रतिगमन](2-Regression/README.md) | एक लॉजिस्टिक प्रतिगमन मॉडल बनाएं | [पाइथन](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | जेन • एरिक वंजीउ |
| 09 | एक वेब ऐप 🔌 | [वेब ऐप](3-Web-App/README.md) | अपने प्रशिक्षित मॉडल का उपयोग करने के लिए एक वेब ऐप बनाएं | [पाइथन](3-Web-App/1-Web-App/README.md) | जेन |
| 10 | वर्गीकरण का परिचय | [वर्गीकरण](4-Classification/README.md) | अपने डेटा को साफ़ करें, तैयार करें और दृष्टिगत करें; वर्गीकरण का परिचय | [पाइथन](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | जेन और कैसी • एरिक वंजीउ |
| 11 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | वर्गीकारकों का परिचय | [पाइथन](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | जेन और कैसी • एरिक वंजीउ |
| 12 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | और वर्गीकारक | [पाइथन](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | जेन और कैसी • एरिक वंजीउ |
| 13 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | अपने मॉडल का उपयोग करके एक अनुशंसा वेब ऐप बनाएं | [पाइथन](4-Classification/4-Applied/README.md) | जेन |
| 14 | क्लस्टरिंग का परिचय | [क्लस्टरिंग](5-Clustering/README.md) | अपने डेटा को साफ़ करें, तैयारी करें और दृष्टिगत करें; क्लस्टरिंग का परिचय | [पाइथन](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | जेन • एरिक वंजीउ |
| 15 | नाइजीरियाई संगीत रुचियों की खोज 🎧 | [क्लस्टरिंग](5-Clustering/README.md) | K-Means क्लस्टरिंग विधि का अन्वेषण करें | [पाइथन](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | जेन • एरिक वंजीउ |
| 16 | प्राकृतिक भाषा प्रसंस्करण का परिचय ☕️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | एक सरल बोट बनाकर NLP के मूल बातें सीखें | [पाइथन](6-NLP/1-Introduction-to-NLP/README.md) | स्टीफन |
| 17 | सामान्य NLP कार्य ☕️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | भाषा संरचनाओं से निपटने के लिए आवश्यक सामान्य कार्यों को समझकर अपने NLP ज्ञान को गहरा करें | [पाइथन](6-NLP/2-Tasks/README.md) | स्टीफन |
| 18 | अनुवाद और भावना विश्लेषण ♥️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | जेन ऑस्टेन के साथ अनुवाद और भावना विश्लेषण | [पाइथन](6-NLP/3-Translation-Sentiment/README.md) | स्टीफन |
| 19 | यूरोप के रोमांटिक होटल ♥️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 1 | [पाइथन](6-NLP/4-Hotel-Reviews-1/README.md) | स्टीफन |
| 20 | यूरोप के रोमांटिक होटल ♥️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 2 | [पाइथन](6-NLP/5-Hotel-Reviews-2/README.md) | स्टीफन |
| 21 | समय श्रृंखला पूर्वानुमान का परिचय | [समय श्रृंखला](7-TimeSeries/README.md) | समय श्रृंखला पूर्वानुमान का परिचय | [पाइथन](7-TimeSeries/1-Introduction/README.md) | फ्रांसेस्का |
| 22 | ⚡️ विश्व विद्युत उपयोग ⚡️ - ARIMA के साथ समय श्रृंखला पूर्वानुमान | [समय श्रृंखला](7-TimeSeries/README.md) | ARIMA के साथ समय श्रृंखला पूर्वानुमान | [पाइथन](7-TimeSeries/2-ARIMA/README.md) | फ्रांसेस्का |
| 23 | ⚡️ विश्व विद्युत उपयोग ⚡️ - SVR के साथ समय श्रृंखला पूर्वानुमान | [समय श्रृंखला](7-TimeSeries/README.md) | Support Vector Regressor के साथ समय श्रृंखला पूर्वानुमान | [पाइथन](7-TimeSeries/3-SVR/README.md) | अनिर्बान |
| 24 | सुदृढीकरण अधिगम का परिचय | [सुदृढीकरण अधिगम](8-Reinforcement/README.md) | Q-लर्निंग के साथ सुदृढीकरण अधिगम का परिचय | [पाइथन](8-Reinforcement/1-QLearning/README.md) | दिमित्रि |
| 25 | पीटर को भेड़िये से बचाने में मदद करें! 🐺 | [सुदृढीकरण अधिगम](8-Reinforcement/README.md) | सुदृढीकरण अधिगम जिम | [पाइथन](8-Reinforcement/2-Gym/README.md) | दिमित्रि |
| उपसंहार | वास्तविक विश्व के ML परिदृश्य और अनुप्रयोग | [ML इन द वाइल्ड](9-Real-World/README.md) | क्लासिकल ML के दिलचस्प और प्रकट करने वाले वास्तविक विश्व अनुप्रयोग | [पाठ](9-Real-World/1-Applications/README.md) | टीम |
| उपसंहार | RAI डैशबोर्ड का उपयोग करके ML में मॉडल डीबगिंग | [ML इन द वाइल्ड](9-Real-World/README.md) | जिम्मेदार AI डैशबोर्ड घटकों का उपयोग करके मशीन लर्निंग में मॉडल डीबगिंग | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | रूथ याकुबू |
> **भाषाओं के बारे में एक नोट**: ये लेसन मुख्य रूप से Python में लिखे गए हैं, लेकिन कई R में भी उपलब्ध हैं। एक R लेसन पूरा करने के लिए, `/solution` फ़ोल्डर में जाएं और R लेसनों को देखें। इनमें एक .rmd एक्सटेंशन होता है जो एक **R Markdown** फ़ाइल का प्रतिनिधित्व करता है जिसे सरलता से `कोड खंडों` (R या अन्य भाषाओं के) और एक `YAML हेडर` (जो PDF जैसे आउटपुट को फॉर्मैट करने का मार्गदर्शन करता है) के एम्बेडिंग के रूप में परिभाषित किया जा सकता है `Markdown दस्तावेज़` में। इसलिए, यह डेटा साइंस के लिए एक उत्कृष्ट लेखन ढांचा के रूप में कार्य करता है क्योंकि यह आपको अपने कोड, उसका आउटपुट, और अपने विचारों को Markdown में लिखने की अनुमति देकर जोड़ने की अनुमति देता है। इसके अलावा, R Markdown दस्तावेज़ों को PDF, HTML, या Word जैसे आउटपुट प्रारूपों में प्रस्तुत किया जा सकता है।
> **प्रश्नोत्तरी के बारे में एक नोट**: सभी प्रश्नोत्तरी [Quiz App फ़ोल्डर](../../quiz-app) में निहित हैं, कुल 52 प्रश्नोत्तरी हैं जिनमें प्रत्येक में तीन प्रश्न होते हैं। वे पाठों के भीतर लिंक किए गए हैं लेकिन क्विज़ ऐप को स्थानीय रूप से चलाया जा सकता है; `quiz-app` फ़ोल्डर में दिए गए निर्देशों का पालन करें ताकि इसे स्थानीय रूप से होस्ट या Azure पर तैनात किया जा सके।
| पाठ संख्या | विषय | पाठ समूह | सीखने के उद्देश्य | लिंक किए गए पाठ | लेखक |
| 01 | मशीन लर्निंग का परिचय | [परिचय](1-Introduction/README.md) | मशीन लर्निंग के पीछे की मूल अवधारणाएँ सीखें | [पाठ](1-Introduction/1-intro-to-ML/README.md) | मुहम्मद |
| 02 | मशीन लर्निंग का इतिहास | [परिचय](1-Introduction/README.md) | इस क्षेत्र के पीछे का इतिहास जानें | [पाठ](1-Introduction/2-history-of-ML/README.md) | जेन और एमी |
| 03 | निष्पक्षता और मशीन लर्निंग | [परिचय](1-Introduction/README.md) | निष्पक्षता के आस-पास के महत्वपूर्ण दार्शनिक मुद्दे जो छात्र एमएल मॉडल बनाते और लागू करते समय विचार करें | [पाठ](1-Introduction/3-fairness/README.md) | टोमौमी |
| 04 | मशीन लर्निंग की तकनीकें | [परिचय](1-Introduction/README.md) | एमएल शोधकर्ता कौन-कौन सी तकनीकें उपयोग करते हैं एमएल मॉडल बनाने के लिए? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | क्रिस और जेन |
| 05 | अभिकलन का परिचय | [Regression](2-Regression/README.md) | Python और Scikit-learn के साथ अभिकलन मॉडलों के लिए शुरुआत करें | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | जेन • एरिक वांजाउ |
| 06 | उत्तरी अमेरिका के कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | मशीन लर्निंग के लिए डेटा को साफ़ और विज़ुअलाइज़ करें | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | जेन • एरिक वांजाउ |
| 07 | उत्तरी अमेरिका के कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | रैखिक और बहुपद अभिकलन मॉडल बनाएं | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | जेन और दिमित्री • एरिक वांजाउ |
| 08 | उत्तरी अमेरिका के कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | एक लॉजिस्टिक अभिकलन मॉडल बनाएं | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | जेन • एरिक वांजाउ |
| 09 | एक वेब ऐप 🔌 | [वेब ऐप](3-Web-App/README.md) | अपने प्रशिक्षित मॉडल का उपयोग करने के लिए एक वेब ऐप बनाएं | [Python](3-Web-App/1-Web-App/README.md) | जेन |
| 10 | वर्गीकरण का परिचय | [Classification](4-Classification/README.md) | अपने डेटा को साफ़ करें, तैयार करें, और विज़ुअलाइज़ करें; वर्गीकरण का परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | जेन और कैसी • एरिक वांजाउ |
| 11 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [Classification](4-Classification/README.md) | वर्गीकारकों का परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | जेन और कैसी • एरिक वांजाउ |
| 12 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [Classification](4-Classification/README.md) | और अधिक वर्गीकारक | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | जेन और कैसी • एरिक वांजाउ |
| 13 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [Classification](4-Classification/README.md) | अपने मॉडल का उपयोग करके एक सिफारिश देने वाला वेब ऐप बनाएं | [Python](4-Classification/4-Applied/README.md) | जेन |
| 14 | क्लस्टरिंग का परिचय | [Clustering](5-Clustering/README.md) | अपने डेटा को साफ़ करें, तैयार करें, और विज़ुअलाइज़ करें; क्लस्टरिंग का परिचय | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | जेन • एरिक वांजाउ |
| 15 | नाइजीरियाई संगीत स्वाद की खोज 🎧 | [Clustering](5-Clustering/README.md) | K-Means क्लस्टरिंग विधि का अन्वेषण करें | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | जेन • एरिक वांजाउ |
| 16 | प्राकृतिक भाषा संसाधन का परिचय ☕️ | [Natural language processing](6-NLP/README.md) | एक सरल बॉट बनाकर NLP के मूल बातें सीखें | [Python](6-NLP/1-Introduction-to-NLP/README.md) | स्टीफन |
| 17 | सामान्य NLP कार्य ☕️ | [Natural language processing](6-NLP/README.md) | भाषा संरचनाओं से निपटने के लिए आवश्यक सामान्य कार्यों को समझकर अपनी NLP ज्ञान गहराई से समझें | [Python](6-NLP/2-Tasks/README.md) | स्टीफन |
| 18 | अनुवाद और भावना विश्लेषण ♥️ | [Natural language processing](6-NLP/README.md) | जेन ऑस्टेन के साथ अनुवाद और भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | स्टीफन |
| 19 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | स्टीफन |
| 20 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | स्टीफन |
| 21 | समय श्रृंखला पूर्वानुमान का परिचय | [Time series](7-TimeSeries/README.md) | समय श्रृंखला पूर्वानुमान का परिचय | [Python](7-TimeSeries/1-Introduction/README.md) | फ्रांसेस्का |
| 22 | ⚡️ विश्व बिजली उपयोग ⚡️ - ARIMA के साथ समय श्रृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | ARIMA के साथ समय श्रृंखला पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | फ्रांसेस्का |
| 23 | ⚡️ विश्व बिजली उपयोग ⚡️ - SVR के साथ समय श्रृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | सपोर्ट वेक्टर रेग्रेशनर के साथ समय श्रृंखला पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | अनिर्बन |
| 24 | सुदृढ़ीकरण शिक्षा का परिचय | [Reinforcement learning](8-Reinforcement/README.md) | क्यू-लर्निंग के साथ सुदृढ़ीकरण सीखने का परिचय | [Python](8-Reinforcement/1-QLearning/README.md) | दिमित्री |
| 25 | पीटर को भेड़िये से बचाने में मदद करें! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | सुदृढ़ीकरण सीखने का जिम | [Python](8-Reinforcement/2-Gym/README.md) | दिमित्री |
| उपसंहार | वास्तविक दुनिया के एमएल परिदृश्य और अनुप्रयोग | [ML in the Wild](9-Real-World/README.md) | पारंपरिक एमएल के रोचक और प्रकट करने वाले वास्तविक दुनिया के अनुप्रयोग | [पाठ](9-Real-World/1-Applications/README.md) | टीम |
| उपसंहार | RAI डैशबोर्ड का उपयोग करके ML में मॉडल डिबगिंग | [ML in the Wild](9-Real-World/README.md) | जिम्मेदार AI डैशबोर्ड घटकों का उपयोग करके मशीन लर्निंग में मॉडल डिबगिंग | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | रुथ याकुबू |
> [इस कोर्स के लिए हमारे Microsoft Learn संग्रह में सभी अतिरिक्त संसाधन खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ऑफ़लाइन पहुँच
## ऑफलाइन एक्सेस
आप यह दस्तावेज़ [Docsify](https://docsify.js.org/#/) का उपयोग करके ऑफ़लाइन चला सकते हैं। इस रिपो को फ़ोर्क करें, अपने स्थानीय मशीन पर [Docsify स्थापित करें](https://docsify.js.org/#/quickstart), और फिर इस रिपो के रूट फोल्डर में `docsify serve` टाइप करें। वेबसाइट आपके स्थानीयहोस्ट पर पोर्ट 3000 पर सेवा करेगी: `localhost:3000`।
आप [Docsify](https://docsify.js.org/#/) का उपयोग करके इस दस्तावेज़ को ऑफलाइन चला सकते हैं। इस रिपोज़िटरी को फोर्क करें, अपनी स्थानीय मशीन पर [Docsify इंस्टॉल करें](https://docsify.js.org/#/quickstart), और फिर इस रिपोज़िटरी के रूट फ़ोल्डर में टाइप करें `docsify serve`। वेबसाइट आपके लोकलहोस्ट पर पोर्ट 3000 पर सेवा प्रदान करेगी: `localhost:3000`।
## पीडीएफ़
## PDF
लिंक के साथ पाठ्यक्रम की पीडीएफ़ [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) देखें।
इस पाठ्यक्रम का पीडीएफ लिंक सहित [यहां](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) देखें।
## 🎒 अन्य कोर्स
## 🎒 अन्य पाठ्यक्रम
हमारी टीम अन्य कोर्स भी बनाती है! देखें:
हमारी टीम अन्य पाठ्यक्रम भी बनाती है! देखें:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -166,7 +181,7 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्ष
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
### Azure / Edge / MCP / एजेंट्स
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -174,7 +189,7 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्ष
---
### Generative AI Series
### जनरेटिव एआई श्रृंखला
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -182,7 +197,7 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्ष
---
### मुख्य शिक्षण
### मूल सीखना
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -193,7 +208,7 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्ष
---
### कॉपाइलट श्रृंखला
### कोपिलॉट श्रृंखला
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
@ -201,22 +216,22 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्ष
## सहायता प्राप्त करना
यदि आप अटक जाते हैं या AI ऐप बनाने के बारे में कोई प्रश्न है। एमसीपी के बारे में चर्चा में साथी शिक्षार्थियों और अनुभवी डेवलपर्स से जुड़ें। यह एक सहायक समुदाय है जहां प्रश्नों का स्वागत है और ज्ञान स्वतंत्र रूप से साझा किया जाता है।
यदि आप फंसे हुए हैं या AI ऐप्स बनाने के बारे में कोई प्रश्न हैं। साथ सीखने वालों और अनुभवी डेवलपर्स के साथ MCP के बारे में चर्चाओं में शामिल हों। यह एक सहायक समुदाय है जहाँ प्रश्न स्वागत योग्य हैं और ज्ञान मुक्त रूप से साझा किया जाता है।
- बेहतर समझ के लिए प्रत्येक पाठ के बाद नोटबुक की समीक्षा करें।
- अपने आप एल्गोरिदम लागू करने का अभ्यास करें।
- सीखे गए सिद्धांतों का उपयोग करके वास्तविक दुनिया के डेटासेट खोजें।
- स्वयं एल्गोरिदम लागू करने का अभ्यास करें।
- सीखी गई अवधारणाओं का उपयोग करके वास्तविक दुनिया के डेटा सेट का अन्वेषण करें।
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। हम सटीकता के लिए प्रयासरत हैं, लेकिन कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल भाषा में मौलिक दस्तावेज़ ही अधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम जिम्मेदार नहीं हैं।
**अस्वीकरण**:
इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान रखें कि स्वचालित अनुवादों में त्रुटियाँ या असंगतियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में प्राधिकृत स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
Discord上で進行中の「Learn with AI」シリーズについての詳細および参加は、[Learn with AI Series](https://aka.ms/learnwithai/discord) でご覧いただけます。2025年9月18日から30日まで開催され、GitHub Copilotを使ったデータサイエンスのヒントやコツを得られます。
私たちはDiscordで「Learn with AI」シリーズを開催中です。詳細と参加は [Learn with AI Series](https://aka.ms/learnwithai/discord) から、2025年9月18日～30日の期間にぜひご参加ください。GitHub Copilotを使ったデータサイエンスのコツやテクニックが得られます。
# 初心者のための機械学習 - カリキュラム
# 機械学習入門 - カリキュラム
> 🌍 世界の文化を通じて機械学習を探求しながら世界を旅しよう 🌍
> 🌍 世界の文化を通して機械学習を探求しながら世界を旅しよう 🌍
Microsoft のクラウドアドボケートが提供する、12週間・26レッスンの機械学習に関するカリキュラムを紹介します。本カリキュラムでは、主に Scikit-learn ライブラリを使用した **「クラシック機械学習」** と呼ばれる分野について学びます。ディープラーニングは弊社の [AI for Beginners カリキュラム](https://aka.ms/ai4beginners) にて扱っています。『初心者向けデータサイエンス』カリキュラムともぜひ合わせてご利用ください。
MicrosoftのCloud Advocatesが提供する、12週間・26レッスンにわたる<strong>機械学習</strong>のカリキュラムです。このカリキュラムでは、主にScikit-learnライブラリを用いた「古典的機械学習」（クラシック機械学習）について学び、ディープラーニングは[AI for Beginners のカリキュラム](https://aka.ms/ai4beginners)でカバーしています。さらに、『[データサイエンス入門カリキュラム](https://aka.ms/ds4beginners)』と組み合わせて学習してください。
いくつかのレッスンは短い動画で視聴可能です。各レッスン内または [Microsoft Developer YouTube チャンネルの ML for Beginners プレイリスト](https://aka.ms/ml-beginners-videos) でご覧いただけます。下の画像をクリックしてください。
いくつかのレッスンはショートフォームのビデオで視聴可能です。これらはレッスン内に埋め込まれているか、または[Microsoft DeveloperのYouTubeチャンネルにあるML for Beginnersプレイリスト](https://aka.ms/ml-beginners-videos)から視聴できます。下の画像をクリックしてください。
[](https://aka.ms/ml-beginners-videos)
@ -103,81 +98,81 @@ Microsoft Student Ambassador の著者・レビューアー・コンテンツ貢
| 04 | 機械学習の技術 | [Introduction](1-Introduction/README.md) | ML研究者がMLモデル構築のために使用する技術は何か？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | 回帰分析のイントロダクション | [Regression](2-Regression/README.md) | PythonとScikit-learnを使った回帰モデル入門 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | 北米カボチャ価格 🎃 | [Regression](2-Regression/README.md) | MLの準備としてデータの可視化とクレンジング | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | 北米カボチャ価格 🎃 | [Regression](2-Regression/README.md) | 線形回帰および多項式回帰モデルの構築 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | 北米カボチャ価格 🎃 | [Regression](2-Regression/README.md) | ロジスティック回帰モデルの構築 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
우리는 Discord에서 AI 시리즈와 함께 학습 중입니다. 자세한 내용과 참여는 [Learn with AI Series](https://aka.ms/learnwithai/discord)에서 2025년 9월 18일부터 30일까지 확인하세요. GitHub Copilot을 데이터 과학에 활용하는 유용한 팁과 노하우를 얻을 수 있습니다.
우리는 Discord에서 AI와 함께 배우는 시리즈를 진행 중이며, 2025년 9월 18일부터 30일까지 [Learn with AI Series](https://aka.ms/learnwithai/discord)에서 자세히 알아보고 참여할 수 있습니다. 여기서 GitHub Copilot을 데이터 과학에 활용하는 팁과 요령을 얻을 수 있습니다.
# 초심자를 위한 머신러닝 - 교육 과정
# 초보자를 위한 머신러닝 - 교과 과정
> 🌍 세계 문화를 통해 머신러닝을 탐험하며 세계 여행을 떠나요 🌍
> 🌍 세계 문화를 통해 머신러닝을 탐구하며 전 세계를 여행해요 🌍
Microsoft의 클라우드 전도사들이 12주, 26개의 강의로 구성된 **머신러닝** 교육 과정을 제공합니다. 이 교육 과정에서는 주로 Scikit-learn 라이브러리를 사용하며, 때때로 '고전적 머신러닝'이라 불리는 내용을 다룹니다. 딥러닝은 우리의 [AI for Beginners 교육 과정](https://aka.ms/ai4beginners)에서 다룹니다. 이 강의들을 ['Data Science for Beginners' 교육 과정](https://aka.ms/ds4beginners)과 함께 학습할 수도 있습니다!
Microsoft의 Cloud Advocates는 머신러닝에 관한 12주간 26개 강의의 커리큘럼을 기쁘게 제공합니다. 이 커리큘럼에서는 주로 Scikit-learn 라이브러리를 사용하여, 때로는 <strong>고전적 머신러닝</strong>이라 불리는 내용을 배우고, 심층 학습은 [AI for Beginners 커리큘럼](https://aka.ms/ai4beginners)에서 다룹니다. 이 강의를 ['데이터 과학 초보자' 커리큘럼](https://aka.ms/ds4beginners)과 함께 진행하세요!
세계 각지의 데이터를 활용하여 이 고전적인 기법들을 적용하며 여행하세요. 각 강의에는 사전 및 사후 퀴즈, 강의 완료를 위한 서면 지침, 해답, 과제 등이 포함되어 있습니다. 프로젝트 기반 교육법은 여러분이 구축하면서 배우도록 하여 새로운 기술이 '단단히' 자리잡도록 도와줍니다.
전 세계를 여행하면서 이러한 고전 기술을 세계 여러 지역의 데이터를 다루는 데 적용해봅니다. 각 강의에는 강의 전 및 후 퀴즈, 완성 지침서, 해답, 과제 등이 포함되어 있습니다. 프로젝트 기반 교육법으로 학습하는 동안 직접 만들어 봄으로써 새로운 기술을 확실히 익힐 수 있습니다.
**✍️ 저자분들께 진심으로 감사드립니다** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**✍️ 저자분들께 진심으로 감사드립니다** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**🎨 일러스트레이터 분들께도 감사드립니다** Tomomi Imura, Dasani Madipalli, Jen Looper
**🎨 일러스트 작업을 해주신 분들께도 감사드립니다** Tomomi Imura, Dasani Madipalli, Jen Looper
**🙏 특별 감사 🙏 Microsoft Student Ambassador 저자, 검토자, 콘텐츠 기여자 분들께**, 특히 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
**🙏 Microsoft 학생 홍보대사 저자, 리뷰어 및 콘텐츠 기여자분들께 특별 감사드립니다.** Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal 님.
**🤩 특별 감사 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta에게 R 강의 제공에 대하여!**
**🤩 R 강의를 위해 도움 주신 Microsoft 학생 홍보대사 Eric Wanjau, Jasleen Sondhi, Vidushi Gupta 님께도 감사드립니다!**
# 시작하기
다음 단계를 따르세요:
1. **저장소를 포크하세요**: 이 페이지 우측 상단에 있는 "Fork" 버튼을 클릭합니다.
> [이 과정을 위한 모든 추가 자료는 Microsoft Learn 컬렉션에서 찾으실 수 있습니다](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [이 코스의 모든 추가 자료는 Microsoft Learn 컬렉션에서 찾을 수 있습니다](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **도움이 필요하신가요?** 설치, 설정, 강의 실행 관련 일반적인 문제 해결책은 [문제 해결 가이드](TROUBLESHOOTING.md)를 참고하세요.
> 🔧 **도움이 필요하신가요?** 설치, 설정, 강의 실행 시 발생하는 일반적인 문제 해결책은 [문제 해결 가이드](TROUBLESHOOTING.md)를 확인하세요.
**[학생](https://aka.ms/student-page) 여러분**, 이 커리큘럼을 사용하려면 저장소 전체를 본인 GitHub 계정으로 포크하여 혼자 또는 그룹과 함께 연습문제를 완료하세요:
**[학생 여러분](https://aka.ms/student-page)**, 이 교육 과정을 사용하려면 전체 저장소를 자신의 GitHub 계정에 포크하고 개인 또는 그룹으로 연습 문제를 수행하세요:
- 강의 전 퀴즈부터 시작하세요.
- 강의를 읽고 활동을 완료하며 각 지식 점검에서 잠시 멈추고 성찰하십시오.
- 강의 내용을 이해하여 프로젝트를 직접 만들려고 시도하세요. 해결 코드가 필요하면 각 프로젝트 지향 강의의 `/solution` 폴더에 있습니다.
- 강의 후 퀴즈를 풀어보세요.
- 도전을 완료하세요.
- 과제를 제출하세요.
- 한 강의 그룹을 마친 후 [토론 게시판](https://github.com/microsoft/ML-For-Beginners/discussions)에 방문해 "큰 소리로 배우기"를 위해 적절한 PAT 루브릭을 작성하세요. 'PAT'은 학습을 더욱 심화시키기 위한 평가 도구입니다. 다른 PAT에도 반응하여 함께 배울 수 있습니다.
- 강의 전 퀴즈부터 시작합니다.
- 강의를 읽고 활동을 수행하며 각 지식 점검에서 잠시 멈추고 생각해 보세요.
- 강의를 이해하며 코드를 실행하기보다는 프로젝트를 직접 만들어 보세요. 다만 각 프로젝트별로 `/solution` 폴더에 해답 코드는 제공됩니다.
- 강의 후 퀴즈를 풉니다.
- 챌린지를 완료합니다.
- 과제를 완수합니다.
- 강의 그룹을 마친 후, [토론 게시판](https://github.com/microsoft/ML-For-Beginners/discussions)을 방문해 관련 PAT 루브릭을 작성하며 '큰 소리로 배우기'를 실천하세요. 'PAT'는 학습 진척 평가 도구로, 여러분이 작성하며 학습을 더욱 발전시킬 수 있는 루브릭입니다. 다른 PAT에 반응하는 것도 함께 배우는 데 도움이 됩니다.
> 추가 학습을 위해 다음 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 모듈과 학습 경로를 추천합니다.
> 추가 학습을 원한다면, 이 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 모듈과 학습 경로를 추천합니다.
**교사 분들께**는 이 교육 과정을 활용하는 방법에 대한 [제안 사항](for-teachers.md)을 포함했습니다.
**교사 여러분**, 이 커리큘럼을 활용하는 방법에 관한 [제안 사항](for-teachers.md)도 포함되어 있습니다.
---
## 비디오 강의
## 비디오 안내
몇몇 강의는 짧은 동영상 형태로 제공됩니다. 이 영상들은 강의 내에 인라인으로 포함되어 있거나, 아래 이미지를 클릭하면 Microsoft Developer YouTube 채널의 [ML for Beginners 재생목록](https://aka.ms/ml-beginners-videos)에서 모두 보실 수 있습니다.
일부 강의는 짧은 영상으로 제공됩니다. 강의 내에서 직접 보거나, 이미지 클릭 시 [Microsoft Developer YouTube 채널의 ML for Beginners 재생목록](https://aka.ms/ml-beginners-videos)에서 모두 확인할 수 있습니다.
[](https://aka.ms/ml-beginners-videos)
이 교육 과정을 만들면서 두 가지 교육적 원칙을 선택했습니다: 직접 체험하는 **프로젝트 기반 학습**과 **빈번한 퀴즈** 포함입니다. 또한 전체 교육 과정에 통일감을 주는 **주제**를 가지고 있습니다.
이 커리큘럼을 만들면서 두 가지 교육 원칙을 선택했습니다: 실습 중심의 <strong>프로젝트 기반 학습</strong>과 **빈번한 퀴즈** 포함입니다. 또한 일관된 <strong>주제</strong>를 설정해 통일감을 갖도록 했습니다.
내용이 실제 프로젝트와 연계되도록 하여 학생들이 더 몰입할 수 있고 개념의 기억이 강화됩니다. 수업 전에 부담 없는 퀴즈를 봄으로써 학생들이 배우려는 의도를 확립하고, 수업 후 두 번째 퀴즈를 통해 더 깊은 이해와 기억을 돕습니다. 이 교육 과정은 유연하고 재미있게 진행될 수 있도록 설계되었으며, 전체 또는 일부만 수강할 수도 있습니다. 프로젝트는 작게 시작해서 12주 과정이 끝날 때쯤 점점 복잡해집니다. 또한 머신러닝의 실제 적용 사례를 다룬 부록도 포함되어 있어 추가 학점이나 토론 주제로 활용할 수 있습니다.
내용을 프로젝트와 일치시키면 학생들의 참여도가 높아지고 개념 이해가 더 잘 유지됩니다. 수업 전 간단한 퀴즈는 학습 의도를 다지게 하며, 수업 후 퀴즈는 이해도를 높입니다. 이 커리큘럼은 유연하고 재미있게 설계돼 전체 또는 일부만 진행할 수 있습니다. 프로젝트는 작게 시작하여 12주 사이클이 끝날 때쯤 점차 복잡해집니다. 추가 학점이나 토론 주제로 쓸 수 있는 실제 ML 적용 후문도 포함되어 있습니다.
- [강의 전 준비 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
- 선택적 보조 비디오
- 비디오 안내 (일부 강의만)
- [강의 전 워밍업 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
- 서면 강의 자료
- 프로젝트 기반 강의의 경우 단계별 프로젝트 구축 가이드
- 프로젝트 기반 강의의 경우 프로젝트 만드는 단계별 가이드
- 지식 점검
- 챌린지
- 보충 읽기 자료
- 도전 과제
- 보조 읽기 자료
- 과제
- [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
> **언어 관련 참고**: 이 강의들은 주로 Python으로 작성되었지만, 많은 강의는 R로도 제공됩니다. R 강의를 완료하려면 `/solution` 폴더의 R 강의를 찾아보세요. `.rmd` 확장자는 R Markdown 파일을 의미하며, 코드 청크(코드 조각)와 `YAML 헤더`(PDF 등 출력 형식 설정을 안내)로 구성된 마크다운 문서입니다. 이는 코드를 실행한 결과와 생각을 마크다운 내에서 함께 작성할 수 있어 데이터 과학 작성을 위한 훌륭한 프레임워크 역할을 합니다. 또한 R Markdown 문서는 PDF, HTML, Word 등 다양한 출력 형식으로 렌더링할 수 있습니다.
> **퀴즈 관련 참고 사항**: 모든 퀴즈는 [Quiz App 폴더](../../quiz-app)에 포함되어 있으며, 각 퀴즈는 3개의 질문으로 구성된 총 52개의 퀴즈가 있습니다. 수업 내에서 링크되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다. `quiz-app` 폴더에 있는 지침을 따라 로컬에서 호스트하거나 Azure에 배포하십시오.
| 01 | 머신러닝 소개 | [Introduction](1-Introduction/README.md) | 머신러닝의 기본 개념 학습 | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | 머신러닝의 역사 | [Introduction](1-Introduction/README.md) | 이 분야의 역사를 학습 | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | 공정성과 머신러닝 | [Introduction](1-Introduction/README.md) | 학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 중요한 공정성 관련 철학적 이슈는 무엇인가? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | 머신러닝 기법 | [Introduction](1-Introduction/README.md) | ML 연구자들이 ML 모델을 구축할 때 사용하는 기법은 무엇인가? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | 회귀 소개 | [Regression](2-Regression/README.md) | 회귀 모델을 위한 Python과 Scikit-learn 시작하기 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | ML 준비를 위한 데이터 시각화 및 정제 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 선형 및 다항 회귀 모델 구축 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 로지스틱 회귀 모델 구축 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | 웹 앱 🔌 | [Web App](3-Web-App/README.md) | 훈련된 모델을 사용할 웹 앱 구축 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | 분류 소개 | [Classification](4-Classification/README.md) | 데이터 정제, 준비 및 시각화; 분류 소개 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 분류기 소개 | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 추가 분류기 | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 모델을 사용해 추천 웹 앱 구축 | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | 군집화 소개 | [Clustering](5-Clustering/README.md) | 데이터 정제, 준비 및 시각화; 군집화 소개 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | 나이지리아 음악 취향 탐방 🎧 | [Clustering](5-Clustering/README.md) | K-평균 군집화 방법 탐색 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | 자연어 처리 소개 ☕️ | [Natural language processing](6-NLP/README.md) | 간단한 봇 만들기로 NLP의 기본 학습 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | 일반적인 NLP 작업 ☕️ | [Natural language processing](6-NLP/README.md) | 언어 구조를 다룰 때 필요한 일반 작업을 이해하여 NLP 지식 심화 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | 번역 및 감정 분석 ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen과 함께하는 번역 및 감정 분석 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | 유럽의 로맨틱 호텔 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰 감정 분석 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | 유럽의 로맨틱 호텔 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰 감정 분석 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ 세계 전력 사용량 ⚡️ - ARIMA를 이용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | ARIMA를 사용한 시계열 예측 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ 세계 전력 사용량 ⚡️ - SVR을 이용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | 서포트 벡터 회귀를 이용한 시계열 예측 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | 강화 학습 소개 | [Reinforcement learning](8-Reinforcement/README.md) | Q-러닝을 이용한 강화 학습 소개 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | 피터가 늑대를 피하도록 도와주세요! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 강화 학습 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| 후기 | 실제 머신러닝 사례 및 응용 | [ML in the Wild](9-Real-World/README.md) | 고전적인 ML의 흥미롭고 유익한 실제 응용 사례 | [Lesson](9-Real-World/1-Applications/README.md) | 팀 |
| 후기 | RAI 대시보드를 사용한 ML 모델 디버깅 | [ML in the Wild](9-Real-World/README.md) | 책임 있는 AI 대시보드 구성요소를 사용한 머신러닝 모델 디버깅 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [이 과정의 모든 추가 리소스는 Microsoft Learn 컬렉션에서 찾을 수 있습니다](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **언어에 대한 참고 사항**: 이 강의들은 주로 Python으로 작성되었지만, 많은 강의가 R로도 제공됩니다. R 강의를 완료하려면 `/solution` 폴더로 이동하여 R 강의를 찾아보세요. 이 강의들은 `.rmd` 확장자를 가지고 있으며, 이는 `코드 청크`(R 또는 다른 언어)와 `YAML 헤더`(PDF와 같은 출력 형식을 안내하는)를 `Markdown 문서`에 포함한 **R Markdown** 파일을 의미합니다. 따라서 R Markdown은 코드, 출력 결과, 그리고 생각을 Markdown으로 작성할 수 있게 해줘 데이터 과학에 적합한 저작 프레임워크로 활용됩니다. 또한, R Markdown 문서는 PDF, HTML, Word와 같은 출력 형식으로 렌더링할 수 있습니다.
> **퀴즈에 대한 참고 사항**: 모든 퀴즈는 [Quiz App 폴더](../../quiz-app)에 포함되어 있으며, 총 52개의 퀴즈가 각기 세 개의 질문으로 구성되어 있습니다. 이 퀴즈들은 강의 내에서 연결되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다; `quiz-app` 폴더 내 지침을 따라 로컬로 호스트하거나 Azure에 배포할 수 있습니다.
| 01 | 머신러닝 소개 | [Introduction](1-Introduction/README.md) | 머신러닝의 기본 개념을 학습하세요 | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | 머신러닝의 역사 | [Introduction](1-Introduction/README.md) | 이 분야의 역사를 학습하세요 | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | 공정성과 머신러닝 | [Introduction](1-Introduction/README.md) | 학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 공정성과 관련된 중요한 철학적 문제는 무엇인가? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | 머신러닝 기법 | [Introduction](1-Introduction/README.md) | ML 연구자들이 ML 모델을 구축하는 데 사용하는 기법은 무엇인가? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | 회귀 분석 소개 | [Regression](2-Regression/README.md) | Python과 Scikit-learn으로 회귀 모델 시작하기 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 머신러닝 준비를 위한 데이터 시각화 및 정제 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 선형 및 다항 회귀 모델 구축 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 로지스틱 회귀 모델 구축 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | 웹 앱 🔌 | [Web App](3-Web-App/README.md) | 훈련된 모델을 사용하기 위한 웹 앱 구축 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | 분류 소개 | [Classification](4-Classification/README.md) | 데이터 정제, 준비 및 시각화; 분류 소개 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 분류기 소개 | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 추가 분류기 | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 모델을 사용해 추천 웹 앱 구축 | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | 군집화 소개 | [Clustering](5-Clustering/README.md) | 데이터 정제, 준비 및 시각화; 군집화 소개 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | 나이지리아 음악 취향 탐색 🎧 | [Clustering](5-Clustering/README.md) | K-평균 군집화 방법 탐구 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | 자연어 처리 소개 ☕️ | [Natural language processing](6-NLP/README.md) | 간단한 봇을 만들어 NLP 기본 배우기 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | 일반적인 NLP 작업 ☕️ | [Natural language processing](6-NLP/README.md) | 언어 구조를 다룰 때 필요한 일반적인 작업 이해로 NLP 지식 심화 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | 번역 및 감성 분석 ♥️ | [Natural language processing](6-NLP/README.md) | 제인 오스틴과 함께하는 번역 및 감성 분석 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | 유럽의 낭만적인 호텔들 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰 감성 분석 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | 유럽의 낭만적인 호텔들 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰 감성 분석 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ 세계 전력 사용량 ⚡️ - ARIMA를 이용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | ARIMA를 이용한 시계열 예측 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ 세계 전력 사용량 ⚡️ - SVR을 이용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | 서포트 벡터 회귀(SVR)를 이용한 시계열 예측 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | 강화 학습 소개 | [Reinforcement learning](8-Reinforcement/README.md) | Q-러닝을 통한 강화 학습 소개 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | 피터가 늑대를 피하도록 도와주세요! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 강화 학습 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | 실제 ML 시나리오 및 응용 사례 | [ML in the Wild](9-Real-World/README.md) | 고전적인 ML의 흥미롭고 드러나는 실제 응용 사례 | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | RAI 대시보드를 활용한 ML 모델 디버깅 | [ML in the Wild](9-Real-World/README.md) | Responsible AI 대시보드 구성 요소를 활용한 머신러닝 모델 디버깅 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [이 과정의 모든 추가 자료는 Microsoft Learn 컬렉션에서 확인하세요](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## 오프라인 접근
[Docsify](https://docsify.js.org/#/)를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 머신에 [Docsify를 설치](https://docsify.js.org/#/quickstart)한 다음, 이 저장소의 루트 폴더에서 `docsify serve`를 입력하십시오. 웹사이트는 로컬호스트 포트 3000에서 제공됩니다: `localhost:3000`.
[Docsify](https://docsify.js.org/#/)를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 컴퓨터에 [Docsify를 설치](https://docsify.js.org/#/quickstart)한 다음, 이 저장소의 루트 폴더에서 `docsify serve`를 입력하세요. 웹사이트는 로컬호스트의 3000번 포트에서 제공됩니다: `localhost:3000`.
## PDF
링크가 포함된 커리큘럼 PDF는 [여기](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)에서 확인하세요.
링크된 PDF 교육 과정은 [여기](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)에서 찾으실 수 있습니다.
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### 핵심 학습
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### 코파일럿 시리즈
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있지만, 자동 번역은 오류나 부정확한 표현을 포함할 수 있음을 알려드립니다. 원문은 해당 언어의 원본 문서가 권위 있는 자료로 간주되어야 합니다. 중요한 정보에 대해서는 전문적인 인간 번역을 권장합니다. 본 번역 사용으로 인한 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있음을 유의하시기 바랍니다. 원문 문서는 해당 원어로 된 문서가 권위 있는 출처임을 인정해 주십시오. 중요한 정보의 경우 전문가의 인간 번역을 권장합니다. 본 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
localizeflow[bot]
1 month ago